大模型资料

MODEL LANDSCAPE

大模型资料中心

把模型认知、工具链、学习路径和趋势观察做成更夺目的官网式页面，不再像资料仓库，而像一个正在发光的 AI 产品入口。

多模态 Agent RAG Evaluation

模型选型 按能力而不是热搜做判断

系统落地 从 Prompt 走到工程链条

NOW FOCUS 模型能力边界

ENGINEERING RAG / Tool Use / Agent

MODEL INDEX

别只看谁最火，要看谁最适合你现在的任务

把高频模型按推理、代码、多模态和开源路线拆开，减少选择时的噪音和跟风。

进入资料页

Reasoning

推理型模型

适合复杂任务拆解、长链路分析和结构化输出，对稳定性和任务理解要求更高。

复杂问答规划高质量输出

Code

代码型模型

更关注补全、修复、仓库理解和 Agent 协作，是开发工作流里的高频模型类型。

补全调试测试生成

Vision

多模态模型

适合图像、文档、界面和视频理解，重点看视觉定位和混合内容理解能力。

OCR 界面理解视频摘要

Open Source

开源部署路线

适合私有化、本地化和垂直场景微调，重点看生态、推理成本和可控性。

私有化微调量化

SYSTEM FLOW

真正让大模型有价值的，是完整工程链而不是单条提示词

如果只停留在聊天层，能力很快到顶；往下走一层，才是 AI 系统真正开始成型的时候。

进入资料页

模型接入

请求封装、流式输出、缓存、重试、日志归档，是最基础的调用层。

知识检索

切片、Embedding、召回、重排，决定系统能否从“会说”变成“有依据地说”。

工具调用

搜索、数据库、文件和命令行工具接入后，模型开始具备行动能力。

Agent 编排

规划、执行、反思、多工具协同，是复杂任务自动化的核心结构。

LEARNING PATH

从“会用模型”走向“会做 AI 系统”

学习顺序不是概念堆砌，而是每一段都能做出一个更完整的东西。

进入资料页

STEP 1

模型基础认知

补齐 token、context、采样参数、幻觉和对齐等基本概念。

STEP 2

API 与结构化输出

理解消息结构、工具调用、流式返回和 JSON 输出稳定性。

STEP 3

RAG 与知识增强

做一个自己的资料问答系统，理解检索、切片和重排的真正价值。

STEP 4

Agent 与自动化

给模型接上工具和外部系统，让它真正开始处理任务而不是只回答问题。

TREND RADAR

更值得长期盯住的，不只是新模型发布

真正影响落地的，是哪些能力开始稳定、便宜、易接入、可工程化。

进入资料页

长上下文的真实含金量

不是 token 越长越强，而是长文档、多文件和多轮任务里还能不能稳定定位。

多 Agent 协作

什么时候单 Agent 足够，什么时候需要角色拆分和任务路由，是接下来很关键的分界线。

小模型本地化

在隐私敏感和成本敏感场景里，本地模型依然会持续有很强的现实价值。

评测优先

真正稳定的 AI 产品，背后一定先有样本集、回归基线和错误归因体系。